(二)人口增长模型

人口增长问题,最开始是由社会学家关注的问题。英国的经济学家和人口学家马尔萨斯(Thomas Robert
Malthus)最先研究这个问题,马尔萨斯在其著作《人口原理》提出了一个基本假设。

基本假设:

人口的自然增长率是一个常量,人口的变化率和当前的人口数目成正比。

基于这样的一个基本假设,我们可以建立一个可用来描述人口数量随时间演化的数学模型。设 tt

时刻 人口数量为 x(t)x(t)

, t+\Delta tt+Δt

时刻人口的数量为 x(t+\Delta t)x(t+Δt)

,设人口的自然增长率为 \lambdaλ

.依据假设

\frac{x(t+\Delta t)-x(t)}{x(t)\Delta
t}=\lambda

x(t+Δt)?x(t)x(t)Δt

令\Delta t \to 0Δt→0

,得到常微分方程
\frac{dx}{dt}=\lambda x(t)

dxdt=λx(t)

我们选定一个时刻作为原点统计此时的人口数量 x(0)=N_{0}x(0)=N0

上述微分方程很容易求解
x(t)=N_{0}e^{\lambda t}

x(t)=N0eλt

长时间的渐进行为
\lim_{t\to
+\infty}x(t)=+\infty

limt→+∞x(t)=+∞

这就引起了“马尔萨斯灾难”,所谓“马尔萨斯灾难”是指人口的数量呈指数形式增长,而资源(粮食等)的增长是线性的,除了自然原因或者主动节育,人口的增长带来的灾难是不可避免的。这也是我国实行计划生育的理论依据
这个模型不仅在一定程度上回答了人口增长问题,对于类似的物种增长问题都做了回答,在短时期内与现实较好的吻合。这个模型的缺陷是显而易见的,基本假设过于简单,一个基本的事实是由于客观环境限制人口增长速率不可能趋于无穷大。


1938年,Logistic模型提出,这个模型是马尔萨斯模型的修正模型认为\lambdaλ

应该是tt

的函数,并且这个函数具有这样的性质

当人口数量越接近环境总容量时,人口的自然增长率越低

可用一个简单数学公式描述,最简单地设\lambda(t)=M-x(t)

λ(t)=M?x(t)

这样我们得到了微分方程
\frac{dx}{dt}=(M-x(t))x(t),x(0)=N_{0}

dxdt=(M?x(t))x(t),x(0)=N0

当M>>x(t)M>>x(t)

时,近似的退化成马尔萨斯模型。对上面的模型进行求解
x(t)=\frac{M}{1-Ce^{-Mt}},C=1-\frac{M}{N_{0}}

x(t)=M1?Ce?Mt,C=1?MN0

长时间的渐进行为
\lim_{t\to\infty}x(t)=M

分析平衡点令 \frac{dx}{dt}=0

,得 x_{1}=0,x_{2}=M

.

当0<x<M

时即物种数量尚未达到环境容量上限,dx/dt>0

物种数量增加直至趋于环境容量上限。

当 x>M

时物种数量已经超过环境容量上限,dx/dt<0

物种数量递减直至趋于环境容量上限。

分析平衡点稳定性:

\frac{d^{2}x}{dt^{2}}|_{x_{2}}=-M<0

是稳定的平衡点;

\frac{d^{2}x}{dt^{2}}|_{x_{1}}=M>0

是不稳定的平衡点。

令 \frac{d^{2}x}{dt^{2}}=0

得到 x^{*}=\frac{M}{2}

即当物种数量达到环境容量上限的一半时,物种增长的最快。

对离散形式的Logistic映射会产生chaos现象。有文章在研究分数阶的Logistic映射,这个以后再作补充说明

Remark:

1. 物种的的增长速率未必和当前的物种数量相关,可能取决于孕期的雌性物种的数量,因此可建立时滞型的微分方程模型

\frac{dx}{dt}=f(x(t-\tau))

关于时滞型微分方程的分析更加复杂,可以参看专著。

2. 若物种的增长速率和之前所有时刻都相关则建立的模型及其分析更加复杂。目前比较热门的分数阶微分方程模型即属于此类。

3. 一些参数需要统计得知,这里面又涉及到参数估计等。可以在方程里添加些噪声,分析下噪声的影响等。

时间: 2024-10-12 12:48:05

(二)人口增长模型的相关文章

[WebGL入门]十二,模型数据和顶点属性

注:文章译自http://wgld.org/,原作者杉本雅広(doxas),文章中如果有我的额外说明,我会加上[lufy:],另外,鄙人webgl研究还不够深入,一些专业词语,如果翻译有误,欢迎大家指正. 顶点属性的意思 上次的文章中,介绍了一下从着色器的生成,编译,到程序对象的生成和着色器的连接.这次,简单的说一下模型数据的定义和顶点属性的处理.另外,介绍一下根据模型数据生成VBO的方法.VBO的使用要比生成难理解一些,但是不要担心,后面会慢慢说明.接下来看一下顶点属性.顶点属性,说的简单点,

PGM学习之二 PGM模型的分类与简介

废话:和上一次的文章确实隔了太久,希望趁暑期打酱油的时间,将之前学习的东西深入理解一下,同时尝试用Python写相关的机器学习代码. 一 PGM模型的分类 通过上一篇文章的介绍,相信大家对PGM的定义和大致应用场景有了粗略的了解.那么接下来我们来深入了解下PGM. 首先要介绍的是Probabilistic models(概率模型),常用来描述不同的随机变量之前的关系,主要针对变量或变量间的相互不确定性的概率关系建模.总的来说,概率模型分为两类: 一类是参数模型-可以用有限个参数进行准确定义 参数

Factorization Machines 学习笔记(二)模型方程

  最近学习了一种叫做 Factorization Machines(简称 FM)的算法,它可对任意的实值向量进行预测.其主要优点包括: 1) 可用于高度稀疏数据场景:2) 具有线性的计算复杂度.本文将对 FM 框架进行简单介绍,并对其训练算法 - 随机梯度下降(SGD)法和交替最小二乘(ALS)法进行详细推导. 相关链接: (一)预测任务 (二)模型方程 (三)回归和分类 (四)学习算法 作者: peghoty 出处: http://blog.csdn.net/itplus/article/d

Hadoop 学习笔记二 --- 计算模型MapReduce

       MapReduce 是一个计算模型,也是一个处理和生成超大数据集的算法模型的相关实现.用户首先创建一个Map函数处理一个基于Key/Value pair 的数据集合,输出中间的基于Key/Value pair的数据集合,然后再创建一个Reduce 函数用来合并所有的具有相同中间Key值的中间Value值.其最主要的两个部分就是Map过程和Reduce过程. 一. Map 处理过程 1. Mapper 类的处理原理        Mapper 类的最主要的功能就是将输入的Key/Va

CSS布局(二) 盒子模型属性

盒子模型的属性 宽高width/height 在CSS中,可以对任何块级元素设置显式高度. 如果指定高度大于显示内容所需高度,多余的高度会产生一个视觉效果,就好像有额外的内边距一样: 如果指定高度小于显示内容所需高度,取决于overflow属性,需要滚动条需要设置为overflow:auto. auto 宽高和margin可以设置auto.对于块级元素来说,宽度设置为auto,则会尽可能的宽.详细来说,元素宽度=包含块宽度-元素水平外边距-元素水平边距宽度-元素水平内边距: 高度设置为auto,

DJango周总结二:模型层,单表,多表操作,连表操作,数据库操作,事务

django周复习二 1,模型层:  1单表操作:   13个必会操作总结    返回QuerySet对象的方法有    all()    filter()    exclude()    order_by()    reverse()    distinct()    特殊的QuerySet    values()       返回一个可迭代的字典序列    values_list() 返回一个可迭代的元祖序列    返回具体对象的    get()    first()    last() 

深度学习深入浅出:受限玻尔兹曼机RBM(二)模型与目标函数

技术交流QQ群:433250724,欢迎对算法.技术.应用感兴趣的同学加入. 上解上一篇RBM(一)基本概念,本篇记叙一下RBM的模型结构,以及RBM的目标函数(能量函数),通过这篇就可以了解RBM到底是要求解什么问题.在下一篇(三)中将具体描述RBM的训练/求解方法,包括Gibbs sampling和对比散度DC方法. RBM模型结构 因为RBM隐层和可见层是全连接的,为了描述清楚与容易理解,把每一层的神经元展平即可,见下图[7],本文后面所有的推导都采用下图中的标记来表示. 再重提一下,经典

机器学习二分类模型评价指标:准确率\召回率\特异度等

混淆矩阵是一种用于性能评估的方便工具,它是一个方阵,里面的列和行存放的是样本的实际类vs预测类的数量. P =阳性,N =阴性:指的是预测结果. T=真,F=假:表示 实际结果与预测结果是否一致,一致为真,不一致为假. TP=真阳性:预测结果为P,且实际与预测一致. FP=假阳性:预测结果为P,但与实际不一致. TN=真阴性:预测结果为N,且与实际一致. FN=假阴性:预测结果为N,但与实际不一致. 分类模型的经验误差可以通过计算1-准确率得到. 然而,如何选择一个适当的预测误差度量是高度依赖于

django入门二(模型)

ORM简介 MVC框架中包括一个重要的部分,就是ORM,它实现了数据模型与数据库的解耦,即数据模型的设计不需要依赖于特定的数据库,通过简单的配置就可以轻松更换数据库 ORM是"对象-关系-映射"的简称,主要任务是: 根据对象的类型生成表结构 将对象.列表的操作,转换为sql语句 将sql查询到的结果转换为对象.列表 这极大的减轻了开发人员的工作量,不需要面对因数据库变更而导致的无效劳动 Django中的模型包含存储数据的字段和约束,对应着数据库中唯一的表 定义模型 在模型中定义属性,会